基于Python实现的遗传算法
￥ 48.15 6.1折 ￥ 79 九五品
仅1件
作者[美]伊亚尔·沃桑斯基（EyalWirsansky）
出版社清华大学出版社
ISBN9787302611608
出版时间2023-03
版次1
装帧平装
开本16开
纸张胶版纸
页数220页
字数99999千字
定价79元
上书时间2024-05-16
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:基于Python实现的遗传算法
定价：79.00元
作者:[美]伊亚尔·沃桑斯基（EyalWirsansky）
出版社：清华大学出版社
出版日期：2023-03-01
ISBN：9787302611608
字数：312000
页码：220
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
内容提要
遗传算法是受自然进化启发的搜索、优化和学习算法家族中的一员。通过模拟进化过程，遗传算法较传统搜索算法具有更多优势，可为各式问题提供高质量的解决方案。本书基于Python语言将遗传算法应用于各种任务，提供在人工智能和其他很多领域应用遗传算法的实践经验。同时，本书涵盖了人工智能领域的新进展。
目录
目录部分遗传算法基础章遗传算法简介1．1遗传算法的概念1．1．1达尔文进化论1．1．2遗传算法分析1．2遗传算法背后的理论1．3与传统算法的区别1．3．1种群基础1．3．2基因编码1．3．3适应度函数1．3．4概率行为1．4遗传算法的优点1．4．1全局优化1．4．2处理复杂问题1．4．3处理缺少数学模型的问题1．4．4抗噪声能力1．4．5并行处理1．4．6持续学习1．5遗传算法的局限性1．5．1特殊定义1．5．2超参数优化1．5．3计算密集型操作1．5．4过早收敛1．5．5无优解1．6遗传算法的适用情形小结拓展阅读第2章理解遗传算法的关键要素2．1遗传算法的基本流程2．1．1创建初始种群2．1．2计算适应度值2．1．3应用选择、交叉和变异算子2．1．4迭代停止的条件2．2选择算子2．2．1轮盘赌选择2．2．2随机通用抽样2．2．3基于排序的选择2．2．4适应度缩放2．2．5锦标赛选择2．3交叉算子2．3．1单点交叉2．3．2两点交叉和k点交叉2．3．3均匀交叉法2．3．4有序列表的交叉2．3．5顺序交叉2．4变异算子2．4．1反转变异2．4．2交换变异2．4．3逆序变异2．4．4重组变异2．5实数编码的遗传算法2．5．1混合交叉2．5．2模拟二进制交叉2．5．3实数变异2．6理解精英保留策略2．7小生境和共享2．8遗传算法解决问题的应用方法小结拓展阅读第2部分使用遗传算法解决问题第3章DEAP框架的使用3．1技术要求3．2DEAP简介3．3使用creator模块3．3．1创建Fitness类3．3．2创建Individual类3．4使用Toolbox类3．4．1创建遗传算子3．4．2创建种群3．4．3计算适应度3．5OneMax问题3．6使用DEAP解决OneMax问题3．6．1选择染色体3．6．2计算适应度值3．6．3选择遗传算子3．6．4设置停止条件3．7使用DEAP实现算法3．7．1准备工作3．7．2演化求解3．7．3运行程序3．8使用内置算法3．8．1Statistics对象3．8．2算法3．8．3logbook对象3．8．4运行程序3．8．5添加名人堂 3．9算法参数设置实验3．9．1种群规模与代数3．9．2交叉算子3．9．3变异算子3．9．4选择算子小结拓展阅读第4章组合优化4．1技术要求4．2搜索问题和组合优化4．3求解背包问题4．3．1Rosetta Code 01背包问题4．3．2解的表示4．3．3Python问题表示4．3．4遗传算法的解4．4求解TSP问题4．4．1TSPLIB基准文件4．4．2解的表示4．4．3Python问题表示4．4．4遗传算法的解4．4．5使用强化探索和精英保留来改进结果4．5求解VRP问题4．5．1解的表示4．5．2Python问题表示4．5．3遗传算法的解小结拓展阅读第5章约束满足5．1技术要求5．2搜索问题中的约束满足5．3求解N皇后问题5．3．1解的表示方式5．3．2Python对问题的表示方式5．3．3遗传算法求解N皇后问题5．4求解护士排班问题5．4．1解的表示方式5．4．2硬约束与软约束5．4．3基于Python的问题表示5．4．4遗传算法求解护士排班问题5．5求解图着色问题5．5．1解的表示方式5．5．2使用硬约束和软约束解决图着色问题5．5．3基于Python的问题表示5．5．4遗传算法求解小结拓展阅读第6章连续函数优化6．1技术要求6．2实数染色体与实数遗传算子6．3连续函数下的DEAP应用6．4优化Eggholder函数6．4．1利用遗传算法优化Eggholder函数6．4．2增加变异率来提高速度6．5优化Himmelblau函数6．5．1用遗传算法优化Himmelblau函数6．5．2利用小生境和共享来寻找多个解6．6Simionescu函数与约束优化6．6．1基于遗传算法的约束优化6．6．2用遗传算法优化Simionescu函数6．6．3使用约束寻找多个解小结拓展阅读第3部分遗传算法的人工智能应用第7章使用特征选择改善机器学习模型7．1技术要求 7．2有监督机器学习7．2．1分类7．2．2回归 7．2．3有监督学习算法 7．3有监督学习中的特征选择 7．4Friedman1选择特征问题 7．4．1解的表示 7．4．2Python问题表示 7．4．3遗传算法求解 7．5分类数据集Zoo的特征选择7．5．1Python问题表示7．5．2遗传算法求解 小结拓展阅读第8章机器学习模型的超参数优化8．1技术要求8．2机器学习中的超参数8．2．1超参数优化8．2．2Wine数据集8．2．3自适应增强分类器8．3基于遗传算法的网格搜索来优化超参数8．3．1测试分类器的默认性能8．3．2运行常规的网格搜索8．3．3运行基于遗传算法的网格搜索8．4直接使用遗传算法优化超参数8．4．1超参数表示8．4．2评估分类器的准确性8．4．3使用遗传算法优化超参数小结拓展阅读第9章深度学习网络的结构优化9．1技术要求9．2人工神经网络与深度学习9．2．1多层感知器9．2．2深度学习和卷积神经网络 9．3优化深度学习分类器的架构9．3．1鸢尾花数据集9．3．2表示隐藏层的配置9．3．3评估分类器的准确性9．3．4使用遗传算法优化 MLP 架构9．4将架构优化与超参数优化相结合9．4．1解的表示9．4．2评估分类器的准确性9．4．3使用遗传算法优化 MLP 的组合配置小结拓展阅读0章基于遗传算法的强化学习10．1技术要求10．2强化学习10．3OpenAI Gym10．4处理MountainCar环境问题10．4．1解的表示10．4．2解的评估10．4．3基于Python的问题表示10．4．4遗传算法求解10．5处理CartPole环境问题10．5．1用神经网络控制CartPole10．5．2解的表示和评估10．5．3基于Python的问题表示10．5．4遗传算法求解小结拓展阅读第4部分相关方法1章遗传图像重建11．1技术要求11．2用多边形重建图像11．3Python中的图像处理11．3．1Python图像处理库11．3．2用多边形绘制图像11．3．3测量图像之间的差异11．4利用遗传算法重建图像11．4．1解的表示与评价11．4．2基于Python的问题表示11．4．3遗传算法的实现11．4．4图像重建结果小结拓展阅读2章其他进化和生物启发计算方法12．1技术要求12．2进化计算和生物启发计算12．3遗传编程12．3．1遗传编码示例——偶校验12．3．2遗传编程实现12．3．3简化的解12．4粒子群优化算法12．4．1PSO实例——函数优化12．4．2粒子群优化实现12．5其他相关方法12．5．1进化策略12．5．2差分进化算法12．5．3蚁群算法12．5．4人工免疫系统12．5．5人工生命小结拓展阅读
作者介绍
序言
-
【封面】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价